خلاصه

در این تحقیق، مفهوم زیست پذیری به طور کمی و جامع بررسی و تفسیر شده است تا به مدل سازی بهینه سازی کاربری اراضی چندهدفه فضایی کمک کند. علاوه بر این، یک مدل بهینه‌سازی کاربری زمین چند هدفه با استفاده از برنامه‌ریزی هدف و یک رویکرد جمع وزنی ساخته شد، به دنبال آن یک الگوریتم ژنتیک مبتنی بر مرز که برای کمک به رسیدگی به مسئله بهینه‌سازی کاربری زمین چند هدفه فضایی اقتباس شده است، ساخته شد. علاوه بر این، این مدل به طور موفقیت آمیزی و به طور موثر برای مطالعه موردی در منطقه مرکزی کوئینزتاون منطقه برنامه ریزی سنگاپور به سمت زیست پذیری اعمال می شود. در مطالعه موردی، آزمایش‌های مبتنی بر وزن‌های مساوی و آزمایش‌های مبتنی بر ترکیب وزن‌های مختلف با موفقیت انجام شده است. که می تواند اثربخشی مدل بهینه سازی کاربری زمین چندهدفه فضایی توسعه یافته در این تحقیق و همچنین استحکام و قابلیت اطمینان راه حل های تولید شده توسط کامپیوتر را نشان دهد. علاوه بر این، مقایسه بین راه حل های تولید شده توسط کامپیوتر و دو سناریو واقعی برنامه ریزی شده نیز به وضوح نشان داده است که راه حل های تولید شده ما از نظر ارزش تناسب بسیار بهتر هستند. در نهایت محدودیت و جهت آینده این تحقیق مورد بحث قرار گرفته است.

کلید واژه ها:

بهینه سازی کاربری زمین چند هدفه فضایی ; الگوریتم ژنتیک مبتنی بر مرز ; زیست پذیری ; دسترسی _ برنامه ریزی هوشمند ؛ سنگاپور

1. معرفی

بهینه سازی کاربری اراضی به عنوان یکی از انواع مهم تخصیص منابع را می توان فرآیند تخصیص فعالیت های مختلف به واحدهای جغرافیایی مختلف مانند زمین مسکونی، اراضی صنعتی، تأسیسات تفریحی، زمین سبز و غیره تعریف کرد. تخصیص کاربری های مختلف زمین و در نتیجه دستیابی به اهداف متعدد به طور همزمان منجر به یک فرآیند مبادله کاملاً پیچیده خواهد شد. به عنوان مثال، با مفهوم پایداری، سه هدف مختلف مانند حفظ محیط زیست، رونق اقتصادی و برابری اجتماعی دنبال می شود. بدیهی است که برای برنامه ریزان و سیاست گذاران دستیابی به این اهداف به طور همزمان با استفاده از روش های سنتی مشکل است. از این رو،
هر دو مفهوم پایداری و زیست‌پذیری به طور گسترده در برنامه‌ریزی و بهینه‌سازی کاربری زمین مورد بحث قرار گرفته‌اند که دستیابی به هدف نهایی دستیابی به پایداری و بهبود زیست‌پذیری است. گوف [ 1 ] همپوشانی و جدایی بین این دو مفهوم را توصیف کرد و مکمل بودن و تضاد بین پایداری و زیست پذیری را نشان داد. پایداری بیشتر پیامدهای درازمدت توسعه را در نظر می گیرد که هدف آن تامین نیازهای نسل های فعلی بدون تهدید زندگی نسل آینده است [ 2 ]. در مقابل، زیست پذیری بر ایده “اکنون” و “اینجا” متمرکز است، که به اهداف واضح تر و تداخل فوری اشاره دارد [ 3 ]. پاسیون [ 4] بیان می کند که زیست پذیری شهری یک اصطلاح نسبی است که «مکان، زمان و هدف ارزیابی و نظام ارزشی ارزیاب» را در نظر می گیرد. این تعریف از زیست پذیری بر تعامل انسان و محیط تاکید دارد.
چگونگی بهینه سازی تخصیص کاربری زمین در مطالعات مختلف در راستای پایداری بلندمدت در گذشته مورد بحث قرار گرفته است. علاوه بر ایده پایداری بلندمدت، ارتقای زیست‌پذیری فعلی برای ایجاد یک محیط زندگی مطلوب نیز باید به عنوان یک جهت یا هدف جذاب دیگر در برنامه‌ریزی و بهینه‌سازی کاربری اراضی دیده شود. برای برنامه‌ریزی و بهینه‌سازی کاربری اراضی، افزایش زیست‌پذیری به معنای ایجاد محیط مطلوب‌تر و قابل زندگی‌تر از طریق تخصیص انواع کاربری‌ها و استفاده معقول از منابع طبیعی است و در عین حال اجازه می‌دهد تا محیط، اقتصاد و جامعه عملکرد برتر داشته باشند. لازم است نه تنها پایداری بلندمدت تایید شود، بلکه باید از طریق برنامه ریزی معقول به اولویت زیست پذیری محلی نیز دست یافت. هدف این تحقیق بررسی این است که چگونه زیست‌پذیری می‌تواند به طور کمی به درک و مدل‌سازی بهینه‌سازی کاربری زمین چندهدفه فضایی کمک کند. مفهوم زیست پذیری در زمینه برنامه ریزی و بهینه سازی کاربری اراضی به طور جامع بررسی و تفسیر شده است و سپس یک مدل بهینه سازی چندهدفه فضایی مبتنی بر الگوریتم ژنتیک مبتنی بر مرز برای تطبیق با این اهداف و محدودیت های تفسیر شده اقتباس و استفاده می شود. بهینه سازی سناریوهای استفاده از زمین در مطالعه موردی منطقه مرکزی کوئینزتاون منطقه برنامه ریزی در سنگاپور به سمت زیست پذیری. در نهایت، نتایج آزمایش‌ها، بازتاب‌ها، نتیجه‌گیری‌ها و تحقیقات آتی نیز در ادامه مقاله پوشش داده شده است. مفهوم زیست پذیری در زمینه برنامه ریزی و بهینه سازی کاربری اراضی به طور جامع بررسی و تفسیر شده است و سپس یک مدل بهینه سازی چندهدفه فضایی مبتنی بر الگوریتم ژنتیک مبتنی بر مرز برای تطبیق با این اهداف و محدودیت های تفسیر شده اقتباس و استفاده می شود. بهینه سازی سناریوهای استفاده از زمین در مطالعه موردی منطقه مرکزی کوئینزتاون منطقه برنامه ریزی در سنگاپور به سمت زیست پذیری. در نهایت، نتایج آزمایش‌ها، بازتاب‌ها، نتیجه‌گیری‌ها و تحقیقات آتی نیز در ادامه مقاله پوشش داده شده است. مفهوم زیست پذیری در زمینه برنامه ریزی و بهینه سازی کاربری اراضی به طور جامع بررسی و تفسیر شده است و سپس یک مدل بهینه سازی چندهدفه فضایی مبتنی بر الگوریتم ژنتیک مبتنی بر مرز برای تطبیق با این اهداف و محدودیت های تفسیر شده اقتباس و استفاده می شود. بهینه سازی سناریوهای استفاده از زمین در مطالعه موردی منطقه مرکزی کوئینزتاون منطقه برنامه ریزی در سنگاپور به سمت زیست پذیری. در نهایت، نتایج آزمایش‌ها، بازتاب‌ها، نتیجه‌گیری‌ها و تحقیقات آتی نیز در ادامه مقاله پوشش داده شده است. و سپس یک مدل بهینه‌سازی چندهدفه فضایی مبتنی بر الگوریتم ژنتیک مبتنی بر مرز برای تطبیق با این اهداف تفسیر شده و محدودیت‌ها برای بهینه‌سازی سناریوهای استفاده از زمین در مطالعه موردی منطقه مرکزی منطقه برنامه‌ریزی کوئینزتاون در سنگاپور به سمت زیست‌پذیری، اقتباس و استفاده می‌شود. در نهایت، نتایج آزمایش‌ها، بازتاب‌ها، نتیجه‌گیری‌ها و تحقیقات آتی نیز در ادامه مقاله پوشش داده شده است. و سپس یک مدل بهینه‌سازی چندهدفه فضایی مبتنی بر الگوریتم ژنتیک مبتنی بر مرز برای تطبیق با این اهداف تفسیر شده و محدودیت‌ها برای بهینه‌سازی سناریوهای استفاده از زمین در مطالعه موردی منطقه مرکزی منطقه برنامه‌ریزی کوئینزتاون در سنگاپور به سمت زیست‌پذیری، اقتباس و استفاده می‌شود. در نهایت، نتایج آزمایش‌ها، بازتاب‌ها، نتیجه‌گیری‌ها و تحقیقات آتی نیز در ادامه مقاله پوشش داده شده است.

2. بررسی ادبیات

بهینه‌سازی کاربری زمین در دهه‌های گذشته به‌طور گسترده در راستای دغدغه‌ها یا اهداف مختلف مورد مطالعه قرار گرفته است [ 5 ، 6 ، 7 ، 8 ، 9 ، 10 ، 11 ، 12 ، 13 ، 14 ]. با این حال، مطالعات زیادی به طور خاص در مورد بهینه‌سازی کاربری اراضی زیست‌محور انجام نشده است، به جز برخی بحث‌ها و تفسیرهای کلی در مورد زیست‌پذیری از دیدگاه‌های مختلف محققان. بالساس [ 15] یک مطالعه اکتشافی از شاخص های کلیدی عملکرد (KPI) برای اندازه گیری زیست پذیری مراکز شهری ارائه کرد. با توصیف یک واقعیت اجتماعی، اقتصادی یا فیزیکی با استفاده از یک معیار یا مجموعه ای از معیارها، و تعیین عملکرد یک عمل، وظایف یک شاخص است [ 16 ]. شش بعد عملکرد در Balsas [ 15 ] KPI مورد استفاده قرار گرفت، از جمله سرزندگی، حس، تناسب، دسترسی، کنترل و زنده بودن. پنج بعد اول از درک لینچ [ 17 ] از آنچه که یک شهر قابل زندگی را می سازد، اتخاذ شد. در حالی که زیست پذیری به توانایی یک شهر برای جذابیت و سرمایه گذاری اشاره دارد، سرزندگی نشان می دهد که آیا شهر می تواند زنده بماند یا خیر [ 15 ]. آنتوگنلی و ویزاری [ 18] معتقد بود که کلید ارزیابی زیست‌پذیری شهری استفاده از خدمات اکوسیستم و خدمات شهری است که می‌تواند بر برنامه‌ریزی منظر و همچنین فرآیند سیاست‌گذاری تأثیر بگذارد. آنها یک مدل ارزیابی فضایی زیست پذیری (LISAM) ایجاد کرده بودند که هم دسترسی محلی به خدمات و هم اهمیت آن برای ذینفعان در نظر گرفته شد. خدمات اکوسیستم (ES) عمدتاً از منابع طبیعی به‌عنوان ورودی‌ها به نفع جامعه انسانی می‌آیند یا دارای آن هستند. خدمات شهری (ایالات متحده) خدمات و امکانات اجتماعی-اقتصادی و عمومی بیشتری را در نظر می گیرد [ 19 ، 20 ]]. مدل با وزن‌دهی و تجمیع شاخص‌های فضایی از مدل‌سازی دسترسی فضایی ایجاد شد و مصاحبه‌های سهامداران برای محاسبه وزن خدمات (AHP)، که برای نقشه‌برداری خدمات اکوسیستم و دسترسی خدمات شهری برای بررسی زیست‌پذیری منطقه مورد مطالعه استفاده شد، اعمال شد. [ 18 ]. وانگ و همکاران [ 21 ] یک مطالعه مقایسه ای با تمرکز بر شاخص یکپارچه سطح زیست پذیر (LLII) برای ارزیابی زیست پذیری برای شهرهای جهانی انجام داد. این شاخص بر اساس سه جنبه شامل توسعه اجتماعی، استاندارد زندگی و کیفیت محیطی استخراج شد. LLII با روش جمع وزنی خطی ارزیابی شد. هیگز و همکاران [ 22] یک شاخص زیست‌پذیری شهری فضایی را برای بررسی رابطه با رفتار سفر پیشنهاد کرد که در آن پیاده‌روی، ترکیب زیرساخت‌های اجتماعی، دسترسی حمل‌ونقل عمومی، فضای باز عمومی بزرگ، مسکن مقرون‌به‌صرفه و فرصت‌های کاری محلی شاخص‌های اصلی هستند.
علاوه بر انواع سیستم‌های شاخص زیست‌پذیری که توسط محققان مختلف بر اساس زمینه‌ها و سطوح مختلف جزئیات پیشنهاد شده‌اند، مطالعات زیادی نیز انجام شده است که بر چگونگی بهبود زیست‌پذیری شهری تمرکز دارد. دسترسی یکی از اهداف اصلی افزایش کیفیت زندگی است. سطح دسترسی را می توان از جنبه های مختلفی مانند دسترسی به امکانات حمل و نقل، امکانات شهری و اجتماعی یا فضاهای سبز اندازه گیری کرد. لیتمن [ 23 ] در این تحقیق استدلال می کند که بررسی دسترسی می تواند تأثیر مثبتی بر تمام جنبه های پایداری داشته باشد، که همچنین می تواند زیست پذیری جامعه را در جنبه های اجتماعی بهبود بخشد. به طور مشابه، میلر و ویتلوکس [ 24] همچنین دسترسی را به عنوان یک عامل مهم برای زیست پذیری نشان می دهد که به طور قابل توجهی به برنامه ریزی شهری و حمل و نقل کمک می کند. از سوی دیگر، La Rocca [ 25 ] معرفی کرد که تحرک نرم، که شامل انواع حمل و نقل غیرموتوری است، به دلیل “تاثیر صفر” که می تواند بار زیست محیطی را کاهش دهد، می تواند زیست پذیری شهری را بهینه کند. صدا، آلودگی هوا و تراکم ترافیک) که توسط فعالیت های انسانی ایجاد می شود. علاوه بر دسترسی، فشردگی موضوع دیگری است که به طور گسترده مورد بحث قرار گرفته است. تراکم بالا و کاربری فشرده می تواند منجر به سبک زندگی کارآمد شود. فشردگی شهری با هدف استفاده بهینه از منابع زمین بدون پراکندگی بیهوده در کلان شهرها انجام می شود [ 10 ]. عبداللهی و همکاران [ 26] تصمیم گیری چند معیاره یکپارچه، قضیه بیز و تصاویر رادار برای ارزیابی فشردگی شهر شهر Kajang در مالزی. وارد و همکاران [ 27 ] در تحقیقات خود اتوماتای ​​سلولی و بهینه‌سازی فضایی را برای ارزیابی تغییرات شهری ترکیب کردند و آنها عمداً فشردگی و دسترسی فضایی را در مدل بهینه‌سازی برای پیگیری زیست‌پذیری بالاتر در شهرها در نظر گرفتند. علاوه بر این، سازگاری فضایی معمولاً رابطه انواع کاربری‌های زمین مجاور را در نظر می‌گیرد [ 7 ، 28 ]، که معمولاً در پرداختن به مسائل بهینه‌سازی کاربری زمین نیز استفاده می‌شود. سناریوهای کاربری زمین با سازگاری خوب مستلزم آن است که هر واحد عملکردی بیشترین تعامل مثبت را با واحدهای همسایه خود داشته باشد [ 29 ]]. بدیهی است که سازگاری فضایی واحدهای کاربری مختلف (به عنوان مثال، شبکه یا قطعه زمین) می تواند به هماهنگی و زیست پذیری کل منطقه کمک کند. ژانگ و همکاران [ 30 ] شاخص سازگاری بین کاربری‌های مختلف زمین را برای شبیه‌سازی بهینه‌سازی فضایی چندهدفه فضایی با سیستم چند عاملی و الگوریتم ژنتیک برآورد کرد. هاک و آسامی [ 31] با موفقیت سعی در به حداکثر رساندن قیمت زمین و کاهش ناسازگاری در هنگام ایجاد طرح های کاربری امکان پذیر کرده اند. بدیهی است که سازگاری بیشتر بین انواع کاربری زمین منجر به محیط زیست پذیرتر می شود زیرا انتظار می رود شاخص سازگاری با تعامل انسان و محیط در فرآیند برنامه ریزی کاربری زمین درگیر شود. در این تحقیق، امتیازهای سازگاری به‌دست آمده و به‌عنوان یکی از اهداف اصلی در مدل و آزمایش‌های ما برای تولید سناریوهای برنامه‌ریزی کاربری سازگار استفاده شده است.
مسائل بهینه‌سازی کاربری زمین نسبتاً پیچیده هستند، زیرا چنین تصمیم‌هایی باید نه تنها در مورد اینکه چه چیزی تخصیص داده شود (انتخاب انواع کاربری‌های زمین)، و در مورد میزان تخصیص، بلکه همچنین در مورد مکان تخصیص گرفته شود. بنابراین، مدل ادغام این چند هدف فضایی و الگوریتم‌ها برای پرداختن به این نوع مشکل بهینه‌سازی فضایی ممکن است تنگناهای حیاتی باشد. در گذشته، بسیاری از مسائل بهینه‌سازی چندهدفه از جمله مسائل بهینه‌سازی کاربری زمین با برنامه‌ریزی خطی (LP) حل می‌شد [ 32 ]. با این حال، یکی از مشکلات در آن، تعیین وزن نسبی هر هدف است. در همان زمان، روش «جبهه پارتو» حالت دیگری را برای در نظر گرفتن مسائل بهینه‌سازی چندهدفه، که از کار اصلی پارتو مشتق شده بود، به ارمغان آورد [ 33 ].]. یکی از ویژگی های روش «جبهه پارتو» استقلال اهداف است. تا به حال، به طور گسترده و با موفقیت برای حل مسائل بهینه سازی فضایی چند هدفه فضایی استفاده شده است [ 10 ، 34 ، 35 ]. یک اشکال کارایی پایین فرآیند بهینه سازی است. یکی دیگر از روش‌های مؤثر، روش «جمع وزنی» فوق الذکر است. اگرچه نمی‌تواند راه‌حل‌های بهینه غیرمحدب ارائه دهد، اما به دلیل سادگی و اثربخشی آن برای بیشتر مسائل بهینه‌سازی چندهدفه معمولاً استفاده می‌شود [ 6 ، 9 ، 36 ، 37 ]]. در این تحقیق از روش برنامه ریزی هدف و روش جمع وزنی برای ساخت مدل بهینه سازی کاربری زمین استفاده شده است.
همه مدل‌های چندهدفه ذکر شده در بالا نیاز به الگوریتم‌های بهینه‌سازی کارآمد را برای پرداختن به مسائل مختلف بهینه‌سازی کاربری زمین ایجاد می‌کنند در حالی که بهینه‌سازی قطعی با توجه به پیچیدگی مسائل بهینه‌سازی فضایی غیرممکن یا نامناسب می‌شود. یک سوئیچ را می توان از بهینه سازی دقیق تا استفاده از اکتشافی مشاهده کرد. الگوریتم ژنتیک (GA)، به عنوان یکی از انواع روش‌های اکتشافی مؤثر برای مسائل بهینه‌سازی، نیز با موفقیت در حوزه‌ها و مطالعات مختلف استفاده شده است [ 38 ]. استوارت و همکاران [ 37 ] از GA برای انجام تخصیص کاربری چند هدفه زمین در یک منطقه تحقیقاتی کوچک بر اساس شبکه‌ها استفاده کرده‌اند. یانسن، ون هروینن، استوارت و آرتس [ 36] همچنین از GA برای تخصیص کاربری زمین در یک منطقه کوچک (20 در 20 سلول) استفاده کرده اند. کائو و همکاران [ 6 ، 10 ، 12 ] با موفقیت و به طور موثر انواع مختلف GA را برای رسیدگی به مشکلات بهینه سازی کاربری زمین به کار گرفته اند. در این تحقیق، یک GA مبتنی بر مرز، که از اصول GA سنتی پیروی می‌کند و از کائو، هوانگ، وانگ و لین [ 6 ] اقتباس شده است، در یک مدل بهینه‌سازی کاربری زمین ادغام می‌شود تا با مشکل بهینه‌سازی کاربری زمین به سمت زیست‌پذیری مقابله کند. مطالعه موردی سنگاپور

3. روش شناسی

3.1. تدوین مدل بهینه سازی چندهدفه فضایی

انتخاب مدل داده های مکانی هنگام ساخت یک مدل بهینه سازی چندهدفه فضایی حیاتی است. در این تحقیق، داده های برداری به دلیل نمایش بهتر کاربری زمین و قطعه برای پرداختن به مشکلات برنامه ریزی در مقایسه با داده های شطرنجی استفاده می شود [ 12 ]. یک منطقه شامل ننبردارها با ککانواع کاربری های مختلف زمین شکل می گیرد. برای هر بردار منمن، برابر است کمنکمنزمانی که رده کاربری زمین ککبه آن اختصاص داده شده است.
به طور کلی، مقادیر تمام اهداف به توزیع نوع کاربری اراضی بستگی دارد ککبرای هر بردار منمن. از این رو، بمن کبمنکبه عنوان پارامتری تنظیم می شود که به طور کلی مقدار هر هدف را نشان می دهد. علاوه بر این، فرض بر این است که ایکسمن ک= 1ایکسمنک=1هنگامی که یک دسته کاربری زمین ککبه بردار اختصاص داده شده است منمن، در غیر این صورت ایکسمن ک= 0ایکسمنک=0هنگامی که بردار منمنتحت پوشش نوع کاربری زمین نیست کک.

به حداکثر رساندن:

∑k = 1ک∑i = 1نبمن کایکسمن ک.∑ک=1ک∑من=1نبمنکایکسمنک.

موضوع:

∑k = 1کایکسمن ک= 1 ∀ k = 1 ، … ، K  ; i = 1 ، … ، N .∑ک=1کایکسمنک=1  ∀ک=1،…،ک; من=1،…،ن.
ایکسمن ک∈ { 0 , 1 } .ایکسمنک∈{0،1}.
این دو فرمول تضمین می کنند که باید یک نوع کاربری زمین برای هر بردار وجود داشته باشد، زیرا متغیرهای دودویی ایکسمن کایکسمنکفقط می تواند 0 یا 1 باشد.

علاوه بر این، از روش جمع وزنی برای فرموله‌سازی مدل بهینه‌سازی چندهدفه فضایی استفاده می‌شود.

fo b i=∑o = 1O∑k = 1ک∑i = 1نαoبo i kایکسo i k،����=∑�=1�∑�=1�∑�=1�����������,

جایی که

∀ o = 1 , … , O ,   ∀�=1, … , �،
بo i kب�منکارزش هر هدف است o�بر اساس تخصیص نوع کاربری زمین محاسبه می شود ککبرای هر بردار منمن.
αo��وزن اهداف هستند o�.

به منظور اطمینان از یکسان بودن مقیاس همه این اهداف و وزن‌ها می‌تواند به طور منطقی ترجیح برنامه‌ریزان یا تصمیم‌گیرندگان را در مورد اهداف مختلف منعکس کند، قبل از اجرای روش جمع وزنی برای مدل‌سازی بهینه‌سازی چندهدفه فضایی، حداکثر مقدار و حداقل مقدار هر هدف برای عادی سازی هر هدف به دست می آید.

fo b i=∑o = 1Oαo[fo b i o–منoتیo–منo] ،��بمن=∑�=1���[��بمن�-من�تی�-من�]،

جایی که

  • fo b i o��بمن�ارزش اهداف است oo;
  • تیoتی�حداکثر ارزش اهداف است oo;
  • منoمن�حداقل مقدار اهداف است oo.

3.2. الگوریتم ژنتیک مبتنی بر مرز

این تحقیق یک GA مبتنی بر مرز را تطبیق می دهد که اثربخشی و کارایی آن را در مطالعات قبلی نشان داده است [ 6 ]]، برای جستجوی راه حل های بهینه/تقریباً بهینه سناریوهای کاربری زمین برای پشتیبانی از برنامه ریزی و فرآیند تصمیم گیری مربوطه. در یک GA سنتی، «جمعیت اولیه»، «عملکرد تناسب اندام»، «انتخاب»، «تقاطع» و «جهش» پنج روش کلیدی هستند، استراتژی مرزی به طور خاص در یک GA سنتی گنجانده شده است تا امکان تولید بیشتر را افزایش دهد. راه حل های معقول با توجه به پیچیدگی یک موضوع بهینه سازی فضایی. پس از مدت‌ها آزمایش در این تحقیق، فاز «تقاطع» با توجه به ویژگی‌های مدل بهینه‌سازی کاربری زمین چندهدفه که ما تعریف کرده‌ایم، به طور قابل توجهی و مثبت به جستجوی راه‌حل‌های بهینه/تقریباً بهینه کمک نکرده است. بنابراین، عملگر “Crossover” حذف شد و یک عملگر تصادفی اضافی “Mutation” گنجانده شد.

3.2.1. بازنمایی کروموزوم

برای نشان دادن قطعات کاربری زمین در GA، یک کروموزوم به عنوان سناریوی برنامه‌ریزی کاربری زمین در نظر گرفته می‌شود که شامل فهرستی از ژن است و شناسه هر ژن می‌تواند مکان یک قطعه زمین یا ویژگی و مقدار را نشان دهد. هر ژن می تواند نوع کاربری زمین اختصاص داده شده به قطعه زمین یا ویژگی را نشان دهد.
3.2.2. اولیه سازی راه حل های والدین
به عنوان اولین گام از رویه های GA، اولیه سازی راه حل های والد یک فرآیند حیاتی است که بر اثربخشی و کارایی کلی همگرایی GA تأثیر می گذارد. برای تسهیل روند جستجوی راه‌حل‌های بهینه، جمعیت اولیه با سناریوهای کاربری نسبتاً معقول‌تر بدون شک بهتر از جمعیت اولیه با سناریوهای کاربری کاملاً تصادفی است. در این تحقیق، استراتژی مبتنی بر مرز [ 6 ] به کار گرفته شده است و در مجموع 1000 راه حل به عنوان راه حل های اولیه اولیه تولید شده است.
3.2.3. عملگر جهش مبتنی بر مرز
بر اساس راه حل های والد، استراتژی مبتنی بر مرز برای عملگر جهش به کار گرفته می شود تا اجرا و همگرایی GA در آزمایش ها را تسهیل کند. عملگر جهش مبتنی بر مرز این است که به طور تصادفی چند ضلعی را پیدا کند که کاربری زمین آن حداقل با یک چند ضلعی مجاور آن متفاوت باشد و دسته کاربری زمین چند ضلعی را به کاربری زمینی که در مجاورت و با خودش متفاوت است تغییر دهد. . ظاهراً، این عملگر جهش مبتنی بر مرز می‌تواند نه تنها تنوع راه‌حل‌های اولاد را حفظ کند، بلکه راه‌حل‌های اولاد را نیز معقول‌تر کند، که قبلاً در بسیاری از مطالعات موفق موجود ثابت شده و مورد استفاده قرار گرفته است.

4. مطالعه موردی

4.1. مقدمه ای بر حوزه و زمینه های مطالعه

سنگاپور یک ایالت-شهر جزیره ای به مساحت 721.5 کیلومتر مربع با جمعیت 5.64 میلیون نفر است [ 39 ] که در جنوب شرقی آسیا واقع شده است. استفاده و تخصیص زمین سنگاپور توسط طرح اصلی آن اداره می شود. برای حمایت از جمعیت بزرگتر (6.5 تا 6.9 میلیون تا سال 2030) پیشنهاد شده توسط کتاب سفید جمعیت [ 40 ]، طرح کاربری زمین نیاز به بازپس گیری زمین های اضافی و تشدید توسعه های جدید دارد. ارتقای زندگی بهتر در کشوری با تراکم جمعیت بالا ضروری است. از آنجایی که پالایش کل ایالت با یک پروژه برنامه ریزی شهری، یک شمال، قابل اجرا نیست، یک منطقه فرعی واقع در منطقه مرکزی کوئینزتاون منطقه برنامه ریزی در سنگاپور به عنوان منطقه مطالعاتی آزمایشی انتخاب شده است.
One North یک مرکز تحقیق و توسعه (تحقیق و توسعه) یکپارچه و خوشه فناوری پیشرفته است که در منطقه مرکزی کوئینزتاون، سنگاپور واقع شده است. به منظور جذب نیروی کار با فناوری پیشرفته، تخصیص کاربری زمین با قابلیت زندگی بیشتر در اطراف One North مورد نیاز است. زیرمنطقه کوئینزوی، واقع در بال‌های شرقی One North (نگاه کنید به شکل 1 )، به عنوان یکی از مناطق مسکونی در اطراف شرکت‌های با فناوری پیشرفته برنامه‌ریزی شده است. زیرمنطقه کوئینزوی برای بهینه سازی بیشتر کاربری زمین به 221 چند ضلعی تقسیم شده است.
طرح کاربری زمین در منطقه برنامه ریزی کوئینزوی با چندین چالش روبرو است:
  • One North همچنین به عنوان دره سیلیکون سنگاپور در نظر گرفته می شود – یک مرکز یکپارچه نوآوری علمی و فناوری. علاوه بر استراتژی‌های کاربری فشرده و متنوع، این توسعه باید تحرک عابران پیاده و دسترسی را برای افزایش قابلیت زندگی و همچنین کارآیی کار ارتقا دهد. در این توسعه، جوامع و مشاغل را می توان در فاصله پیاده روی دسته بندی کرد تا در هزینه رفت و آمد صرفه جویی شود. عملکردها و امکانات مختلف شهری باید با خیابان ها و فضاهای عمومی ادغام شوند تا محیطی پر جنب و جوش ایجاد کنند و شانس تردد و سرریز دانش را افزایش دهند. بر این اساس، فشردگی، و همچنین دسترسی خوب به حمل و نقل، مکان‌های کار، و سایر امکانات برای تعادل شغل-مسکن و ارتقای زیست‌پذیری برجسته می‌شود.
  • با ایده توسعه کار-زندگی-بازی-یادگیری در یک شمال، ناگزیر، کاربری های مختلف زمین مانند تجاری، مسکونی، تجاری و سازمانی نیاز به ادغام در چنین مکان متراکمی دارند. بنابراین، چالش چگونگی ادغام کاربری های مختلف زمین در عین حفظ زیست پذیری و سرزندگی سایت خواهد بود. یعنی، هدف یافتن سازگارترین طرح کاربری زمین است که می تواند به یک جامعه متنوع تر و پر جنب و جوش کمک کند.
برای پرداختن به چالش‌های فوق، به حداکثر رساندن دسترسی و حداکثر سازگاری باید در این مطالعه موردی در نظر گرفته شود تا زیست‌پذیری زیرمنطقه یک شمال را بهبود بخشد. انواع کاربری اراضی مورد نظر در این پروژه عبارتند از مسکونی، تجاری، مسکونی و تجاری، آموزشی، بیمارستانی، اداری، SOHO و فضای سبز، که از مقوله های نقطه مورد علاقه (POI) طرح جامع سنگاپور 2014 پالایش شده اند. SOHO مخفف عبارت small office, home office است. این یک آپارتمان ترکیبی برای مقاصد مسکونی و تجاری است و به افراد اجازه می دهد در یک خانه کار و زندگی کنند. دسترس‌پذیری دسترسی از مناطق مسکونی به انواع کاربری‌های دیگر از جمله تجاری («مسکونی و تجاری» به عنوان منطقه تجاری در هنگام محاسبه دسترسی شناخته می‌شود)، آموزشی، بیمارستانی، اداری یا SOHO را برطرف می‌کند. و فضای سبز با بهبود دسترسی به این مناطق، قابلیت زندگی کلی را می توان افزایش داد زیرا برای افراد راحت تر است که به مکان هایی که می خواهند بروند. سازگاری بر اساس جدول سازگاری محاسبه می شود که در آن هر نوع کاربری دارای سوابقی است که نشان دهنده سطح سازگاری آن با تمام این انواع کاربری زمین است. در عین حال باید در بهینه‌سازی محدودیت‌هایی نیز در نظر گرفته شود، مانند قطعات کاربری اراضی رزرو شده و حداقل مقدار کاربری‌های مختلف در راه‌حل‌های مختلف که در بخش‌های بعدی با جزئیات معرفی خواهند شد. سازگاری بر اساس جدول سازگاری محاسبه می شود که در آن هر نوع کاربری دارای سوابقی است که نشان دهنده سطح سازگاری آن با تمام این انواع کاربری زمین است. در عین حال باید در بهینه‌سازی محدودیت‌هایی نیز در نظر گرفته شود، مانند قطعات کاربری اراضی رزرو شده و حداقل مقدار کاربری‌های مختلف در راه‌حل‌های مختلف که در بخش‌های بعدی با جزئیات معرفی خواهند شد. سازگاری بر اساس جدول سازگاری محاسبه می شود که در آن هر نوع کاربری دارای سوابقی است که نشان دهنده سطح سازگاری آن با تمام این انواع کاربری زمین است. در عین حال باید در بهینه‌سازی محدودیت‌هایی نیز در نظر گرفته شود، مانند قطعات کاربری اراضی رزرو شده و حداقل مقدار کاربری‌های مختلف در راه‌حل‌های مختلف که در بخش‌های بعدی با جزئیات معرفی خواهند شد.

4.2. اهداف و محدودیت ها

4.2.1. به حداکثر رساندن دسترسی

فاصله اقلیدسی از منطقه مسکونی تا سایر امکانات برای واجد شرایط بودن قابلیت دسترسی در این تحقیق استفاده شده است. برای تحقق هدف به حداکثر رساندن دسترسی، فاصله بین زیرساخت ها و کاربری مسکونی باید به شرح زیر به حداقل برسد:

به حداقل رساندن:

∑l = 1La v e r a ge (دr l) ،∑ل=1�آ�ه�آ�ه(د�ل)،

جایی که

∀ دr l∈ د(من∀ k ∈ r، j∀ k ∈ l) ؛ ∃ i ، j ∈ N  .∀ د�ل∈د(من∀ک∈�، �∀ک∈ل); ∃ من،�∈ن.
وجود دارد L�انواع زیرساخت های در نظر گرفته شده در هدف دسترسی، یعنی تجاری متشکل از «تجاری» و «مسکونی و تجاری»، «آموزش»، «بیمارستان»، «اداره»، متشکل از «اداره» و «SOHO»، فضای سبز. علاوه بر این، کاربری مسکونی r�شامل “مسکونی”، “مسکونی و تجاری” و “SOHO”. برای هر نوع زیرساخت لل، به حداقل رساندن فاصله متوسط a v e r a ge (دr l)آ�ه�آ�ه(د�ل)از کاربری مسکونی r�به تمام زیرساخت ها للراهی برای تحقق هدف به حداکثر رساندن دسترسی است. فاصله بین دو بردار به عنوان فاصله اقلیدسی بین نقاط مرکز محاسبه می شود.
4.2.2. به حداکثر رساندن سازگاری
سازگاری یک طرح کاربری اراضی به عنوان روابط بین انواع کاربری های مختلف یک طرح کاربری کلی در نظر گرفته می شود. یک سناریوی کاربری زمین با سازگاری خوب مستلزم آن است که هر واحد بیشترین تعامل مثبت را با واحدهای مجاور خود داشته باشد [ 29 ].
برای توصیف سازگاری بین انواع کاربری های مختلف زمین، یک نظرسنجی که 8 نوع کاربری را فهرست می کند برای مقایسه زوجی طراحی شده است. نظرسنجی از کارشناسان می‌خواهد که ارزش سازگاری را از 1 تا 9 برای هر دو نوع کاربری زمین رتبه‌بندی کنند، در حالی که 1 به معنای “بسیار ناسازگار” و 9 به معنای “بسیار سازگار” است. با کمک 22 نفر از کارشناسان حوزه شهرسازی، امتیاز سازگاری بین هر جفت کاربری اراضی مطابق جدول 1 محاسبه شده است . برای هر سناریو کاربری زمین که از این 8 نوع کاربری زمین تشکیل شده باشد، سازگاری کلی مجموع سازگاری بین هر جفت واحد مجاور است.
مقدار هدف سازگاری بر اساس جدول سازگاری ( جدول 1 ) محاسبه می شود که مقدار آن به نوع کاربری اراضی دو بردار مجاور متفاوت است. برای هر بردار منمن، این دارد ممهمسایه ها j�. کمنکمنو کjک�نشان دهنده انواع کاربری زمین بردار است منمنو همسایه اش j�. با توجه به جدول سازگاری، سیo m p t i b i l i tyکمنکjسی�مترپتیمنبمنلمنتی�کمنک�نشان دهنده سازگاری برای هر بردار است منمنبا یکی از همسایه هاش j�، که برابر با مقدار سازگاری بین است کمنکمنو کjک�. بنابراین، هدف سازگاری را می توان به صورت زیر فرموله کرد:

به حداکثر رساندن:

∑i = 1ن∑j = 1مسیo m p t i b i l i tyکمنکj،∑من=1ن∑�=1مسی�مترپتیمنبمنلمنتی�کمنک�،

جایی که

∀ k = 1 ، … ، K; i = 1 ، … ، N ; j = 1 ، … ، M  .∀ک=1،…،ک; من=1،…،ن;�=1،… ، م.
4.2.3. محدودیت ها
در این مطالعه موردی، بیمارستان و مناطق سبز مرکزی مناطق حفاظت شده هستند (همانطور که در شکل 2 مشاهده می شود ). به عنوان یک منطقه مسکونی در اطراف شرکت های با فناوری پیشرفته، حداقل نیاز استفاده از زمین مسکونی شامل مسکونی، مسکونی و تجاری، SOHO به عنوان 50٪ از کل منطقه تعیین شده است. علاوه بر این، حداقل تقاضای مساحت برای سایر دسته‌های کاربری زمین نیز برای تأمین تنوع زندگی در منطقه به شرح زیر تنظیم شده است ( جدول 2 را ببینید ). با در نظر گرفتن منطقه حفاظت شده، در مجموع 218 چند ضلعی برای بهینه سازی بیشتر وجود دارد.

4.3. آزمایش ها و نتایج

4.3.1. آزمایش‌ها بر اساس وزن‌های مساوی

پس از اجرای الگوریتم برای 10 بار با 10000 به عنوان تعداد تکرار و وزن های مساوی برای هر دو هدف در رایانه لپ تاپ با پردازنده Intel(R) Core (TM) i5-8250U@1.6 گیگاهرتز و 8 گیگابایت رم، 10 مقادیر تناسب اندام در زیر به دست آمده است. مقادیر تناسب (به جدول 3 مراجعه کنید ) بر اساس ترکیب وزن های مساوی از دو هدف، یعنی دسترسی و سازگاری ذکر شده در بالا، محاسبه می شوند. در تمام این آزمایشات، هرچه مقادیر تناسب بزرگتر باشد، نتیجه بهتری حاصل می شود.
بدیهی است که مقادیر تناسب بسیار نزدیک هستند، که می تواند تا حدودی پایداری و استحکام مدل و آزمایش ها را نشان دهد.
علاوه بر این، نقشه های راه حل نیز در زیر نشان داده شده است – این نقشه های راه حل نیز با برخی تفاوت های جزئی کاملاً مشابه هستند ( جدول 4 را ببینید ). علاوه بر این، منحنی همگرایی برای آزمایش اول (نگاه کنید به شکل 3 )، که کاملاً مشابه منحنی‌های همگرایی نه آزمایش دیگر است، نیز در زیر نشان داده شده است تا همگرایی اجرای الگوریتم را نشان دهد. این نتایج همچنین می‌تواند استحکام و پایداری آزمایش‌های ما و همچنین اثربخشی GA مبتنی بر مرز سازگار را نشان دهد. این سناریوهای برنامه‌ریزی محاسبه‌شده می‌توانند بیشتر از فرآیند برنامه‌ریزی و تصمیم‌گیری پشتیبانی کنند، به‌ویژه برخی از بحث‌ها و مذاکره را در حالی که ذی‌نفعان مختلفی درگیر هستند، ایجاد کنند.
4.3.2. آزمایشات بر اساس ترکیب وزن های مختلف
پس از اجرای الگوریتم برای 10 بار با 10000 به عنوان تعداد تکرار و 2 و 1 به عنوان وزن برای هر دو هدف به حداکثر رساندن دسترسی و حداکثر سازگاری در رایانه لپ تاپ با پردازنده Intel (R) Core (TM) i5-8250U @1.6 گیگاهرتز و 8 گیگابایت رم، 10 مقدار تناسب اندام در زیر به دست آمده است. مقادیر تناسب (به جدول 5 مراجعه کنید ) بر اساس وزن های مختلف ترکیبی از دو هدف محاسبه می شود، یعنی 2 برای هدف دسترسی و 1 برای هدف سازگاری. در تمام این آزمایشات، هرچه مقادیر تناسب اندام بزرگتر باشد، نتیجه بهتری حاصل می شود.
بدیهی است که مقادیر تناسب بسیار مشابه هستند، که می تواند تا حدودی پایداری و استحکام مدل مورد استفاده و آزمایش های انجام شده را نشان دهد.
علاوه بر این، نقشه‌های راه‌حل نیز در زیر نشان داده شده‌اند – این نقشه‌های راه‌حل نیز از نظر مکانی کاملاً مشابه با برخی تفاوت‌های جزئی هستند ( جدول 6 را ببینید ). علاوه بر این، منحنی همگرایی برای آزمایش اول ( شکل 4 را ببینید) که کاملاً مشابه منحنی های همگرایی نه آزمایش دیگر است، در زیر نیز برای نشان دادن همگرایی اجرای الگوریتم نشان داده شده است. این نتایج همچنین می‌تواند استحکام و پایداری این آزمایش‌ها و همچنین اثربخشی GA مبتنی بر مرز را نشان دهد. البته، در مقایسه با نتایج وزن‌های مساوی، تفاوت‌های بیشتری بین سناریوهای مختلف وجود دارد که نشان‌دهنده احتمال بالاتری برای رسیدن به بهینه محلی است یا می‌تواند با راه‌حل‌های متنوع با ارزش تناسب مشابه توضیح داده شود. این بدان معنی است که شباهت را می توان به عنوان بخشی از تابع تناسب برای بهبود عملکرد فرآیند بهینه سازی در نظر گرفت.
4.3.3. مقایسه با سناریوهای برنامه ریزی شده
در این تحقیق از برنامه ریزان نیز دعوت شده است تا دو پلان را با توجه به ترجیح و تفسیری که از زیست پذیری دارند و همچنین بافت منطقه تحقیق طراحی کنند. البته درک ما از زیست پذیری و همچنین این اهداف و محدودیت های آزمایشات ما به دانش این برنامه ریزان نیز اشاره دارد. دو سناریوی برنامه ریزی شده را می توان با توضیح و توجیه برنامه ریزان به صورت زیر مشاهده کرد ( جدول 7 را ببینید ).
از جدول فوق (به جدول 8 مراجعه کنید )، واضح است که حتی اگر برنامه ریز اعلام کند که قبلاً برخی از این عوامل یا اهداف را در طول فرآیند برنامه ریزی در نظر گرفته است، اما واقعیت این است که سناریوهای برنامه ریزی شده بسیار بدتر از راه حل های بهینه سازی هستند. از نظر دو هدفی که در مدل و آزمایشات ما در نظر گرفته شده است. البته، این بدان معنا نیست که مدل بهینه سازی ما می تواند جایگزین نقش برنامه ریز شود، اما حداقل این مقایسه و همه این جنبه های ذکر شده در بالا می تواند نشان دهد که مدل پیشنهادی ما می تواند به پشتیبانی از فرآیند برنامه ریزی کمک کند، که قادر به ارائه راه حل های بهتر از نظر کمی است. برای ارجاع و بحث برنامه ریزان یا سیاستگذاران.

5. بازتاب، نتیجه گیری و تحقیقات آینده

مشکلات بهینه‌سازی کاربری زمین به دلیل پیچیدگی ویژگی‌های مکانی و غیرخطی بودن اهداف و محدودیت‌ها همچنان یک چالش باقی می‌ماند. در این تحقیق، زیست‌پذیری به طور کمی و جامع بررسی و تفسیر شده است تا در ابتدا به مدل‌سازی بهینه‌سازی کاربری زمین چندهدفه فضایی کمک کند. دوم، یک مدل بهینه‌سازی کاربری زمین چندهدفه فضایی بر اساس برنامه‌ریزی هدف و رویکردهای جمع وزنی ساخته می‌شود، به دنبال آن یک GA مبتنی بر مرز برای کمک به حل مشکل بهینه‌سازی کاربری زمین چند هدفه فضایی اقتباس می‌شود. آخرین اما نه کم‌اهمیت، این مدل به طور موفقیت‌آمیز و مؤثر در مطالعه موردی در منطقه مرکزی کوئین‌تاون منطقه برنامه‌ریزی سنگاپور به سمت زیست‌پذیری اعمال می‌شود.
در مطالعه موردی، آزمایش‌های مبتنی بر وزن‌های مساوی و آزمایش‌های مبتنی بر ترکیب وزن‌های مختلف با موفقیت انجام شده است که می‌تواند اثربخشی مدل بهینه‌سازی کاربری زمین چندهدفه فضایی که ساخته‌ایم و همچنین استحکام و قابلیت اطمینان راه‌حل‌ها را نشان دهد. با توجه به شباهت بین راه حل ها، 10 آزمایش تکراری از نظر ارزش تناسب و الگوهای فضایی تشکیل می شود. علاوه بر این، نقشه راه حل های تولید شده نیز با دو سناریوی واقعی برنامه ریزی شده توسط برنامه ریزان مقایسه شده است. مقایسه به وضوح نشان داده است که نقشه راه حل های پیشنهادی یا تولید شده ما از نظر ارزش تناسب بسیار بهتر از این دو سناریو برنامه ریزی شده است، حتی اگر برنامه ریزان اعلام کرده اند که احتمالاً همان اهدافی را که ما انجام دادیم در نظر گرفته اند. البته، ما نمی‌توانیم به این نتیجه برسیم که نقشه‌های راه‌حل‌های تولید شده توسط کامپیوتر می‌توانند جایگزین طرح برنامه‌ریزان شوند، حتی اگر مقادیر کمی برازش از این دو سناریو برنامه‌ریزی‌شده واقعی بهتر عمل کنند، اما با این وجود، بدیهی است که مدل پیشنهادی ما و سناریوهای برنامه‌ریزی تولید شده از نظر موثر هستند. ارزش های تناسب و چیدمان انواع مختلف کاربری زمین، که می تواند به عنوان سناریوهای برنامه ریزی پیشنهادی برای پشتیبانی از فرآیند برنامه ریزی برنامه ریزان یا تصمیم گیرندگان استفاده شود. به عنوان مثال، این سناریوهای برنامه ریزی تولید شده می تواند به برنامه ریزان کمک کند تا معیارهایی را که می خواهند در نظر بگیرند با توجه به محدودیت توانایی انسان به صورت کمی بیشتر در نظر بگیرند، و برنامه ریزان می توانند از این سناریوهای برنامه ریزی تولید شده توسط رایانه به عنوان پیش نویس برنامه ها استفاده کنند و برنامه های خود را بر اساس آنها طراحی کنند. ، یا می توانند به این سناریوهای راه حل تولید شده توسط کامپیوتر مراجعه کنند تا طراحی خود را با در نظر گرفتن بهتر این جنبه ها در ذهن خود بهبود بخشند. علاوه بر این، سناریوهای برنامه‌ریزی تولید شده می‌توانند بحث‌هایی را بین ذینفعان مختلف آغاز کنند، در حالی که ترجیحات یا معیارهای مختلف می‌توانند به صورت علمی‌تر در فرآیند برنامه‌ریزی در نظر گرفته شوند. علاوه بر این، این دستاورد همچنین می تواند به بررسی اجرای استراتژی های برنامه ریزی کمک کند. به طور خاص، برای برنامه ریزان، بیان همه ایده های برنامه ریزی به طور واضح و دقیق در یک پیش نویس غیرممکن است، به ویژه برای برنامه ریزی شهری در مقیاس بزرگ با واحدها و معیارهای فضایی عظیم. به عنوان مثال، رایانه چندین فضای سبز کوچک در منطقه مسکونی ایجاد کرده است. در حالی که در طراحی برنامه ریز، تمرکز بیشتر بر روی چیدمان کمربند سبز مرکزی است. که در آن شرایط تقاضا برای فضای سبز در مقیاس کوچک در منطقه مسکونی احتمالا نادیده گرفته می شود. بنابراین، از یک طرف، سناریوهای طراحی یا برنامه ریزی تولید شده توسط رایانه می توانند به تأیید منطقی بودن طراحی برنامه ریز در مقیاس بزرگ کمک کنند و به اصلاح حذفیات کوچک کمک کنند (توجه: حذف های کوچک در مقیاس شهر ناچیز به نظر می رسند، اما برای آنها حیاتی هستند. ایجاد امکان زندگی برای ساکنان یک محله).
از سوی دیگر، این نوع سناریوهای برنامه‌ریزی تولید شده هنوز دارای اشکالات یا محدودیت‌هایی هستند. برای مثال، برخی از استراتژی‌های برنامه‌ریزی معمولی که در طراحی برنامه‌ریز به کار می‌روند را نمی‌توان در سناریوهای برنامه‌ریزی کامپیوتری منعکس کرد. در سناریوهای برنامه ریزی طراحی شده، برنامه ریزان یک خیابان تجاری را با هدف افزایش سرزندگی خیابان طراحی کرده اند، اما از سناریوی برنامه ریزی تولید شده چنین مشاهده ای وجود ندارد. البته، می‌توان آن را به نوعی در مدل بهینه‌سازی کاربری زمین ادغام کرد، اما پیچیدگی و محاسبات ممکن است یک چالش بزرگ باشد. در عین حال، این قضاوت‌های تجربی می‌توانند بهتر به شکل‌دهی ویژگی‌های شهری کمک کنند، اگرچه پایان ناپذیر هستند و ممکن است برخی حذفیات وجود داشته باشد. از این رو،
با این حال، هنوز شکاف قابل توجهی بین گروه‌های مختلف محققان و برنامه‌ریزان فعال در این زمینه و حتی برخی سوگیری‌ها از سوی برخی برنامه‌ریزان در مورد این سناریوهای برنامه‌ریزی کامپیوتری وجود دارد. بنابراین، ابتدا باید تلاش های آینده برای تشویق همکاری بین برنامه ریزان و متخصصان GIS یا محاسبات انجام شود. دوم، بسیار مفید خواهد بود اگر قضاوت‌های تجربی بیشتری در مورد برنامه‌ریزی به خوبی کمیت شوند و در مدل‌های بهینه‌سازی کاربری زمین چندهدفه فضایی برای تولید سناریوهای برنامه‌ریزی بیشتر و بهتر برای پشتیبانی از برنامه‌ریزی عملی یا فرآیند تصمیم‌گیری گنجانده شوند. به عنوان مثال، اهداف موثرتر برای زیست پذیری می تواند بهتر مورد بحث و بررسی قرار گیرد، سطوح مختلف سناریوهای برنامه ریزی قابل زندگی با توجه به مقادیر تناسب کمی نیز می توانند بهتر تعریف شوند و در برنامه ریزی عملی یا فرآیند تصمیم گیری گنجانده شوند. سوم، تعامل و ارتباطات بین برنامه ریزان و متخصصان GIS یا محاسبات را می توان با طراحی و پیاده سازی برخی از پروتکل های موثر و سیستم های پشتیبانی برنامه ریزی تعاملی استاندارد کرد. تمام این جنبه های ذکر شده در بالا نیز جهت های تحقیقاتی آینده ما خواهد بود.

منابع

  1. Gough، MZ سازگاری زیست‌پذیری و پایداری. جی. پلان. آموزش. Res. 2015 ، 35 ، 145-160. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  2. WCED. آینده مشترک ما 29-31. ژانویه 1987. در دسترس آنلاین: https://sustainabledevelopment.un.org/content/documents/5987our-common-future.pdf (دسترسی در 30 دسامبر 2019).
  3. ماتیاس، آر. فرانکلین، RS قابلیت زندگی برای همه؟ محدودیت های مفهومی و مفاهیم عملی. Appl. Geogr. 2013 ، 49 ، 18-23. [ Google Scholar ]
  4. Pacione, M. زیست پذیری شهری: بررسی. جئوگر شهری. 2013 ، 11 ، 1-30. [ Google Scholar ] [ CrossRef ]
  5. آرتس، جی. ون هروینن، م. یانسن، آر. استوارت، تی. ارزیابی تکنیک‌های طراحی فضایی برای حل مشکلات تخصیص کاربری زمین. جی. محیط زیست. طرح. مدیریت 2005 ، 48 ، 121-142. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  6. کائو، ک. هوانگ، بی. وانگ، اس. Lin, H. بهینه سازی کاربری پایدار زمین با استفاده از الگوریتم ژنتیک سریع مبتنی بر مرز. محاسبه کنید. محیط زیست سیستم شهری 2012 ، 36 ، 257-269. [ Google Scholar ] [ CrossRef ]
  7. لیگمان-زیلینسکا، آ. کلیسا، RL; Jankowski، P. تخصیص کاربری زمین شهری پایدار با بهینه سازی فضایی. اینتر جی. جئوگر. Inf. علمی 2008 ، 22 ، 1-18. [ Google Scholar ] [ CrossRef ]
  8. ژانگ، اچ. زنگ، ی. جین، ایکس. شو، بی. ژو، ی. یانگ، ایکس. شبیه سازی تخصیص بهینه سازی کاربری زمین چند هدفه با استفاده از سیستم چند عاملی – مطالعه موردی در چانگشا، چین. Ecol. مدل. 2015 ، 320 ، 334-347. [ Google Scholar ] [ CrossRef ]
  9. کائو، ک. ژانگ، دبلیو. وانگ، تی. بهینه‌سازی چندهدفه کاربری فضایی-زمانی: مطالعه موردی در چین مرکزی. ترانس. GIS 2019 ، 23 ، 726-744. [ Google Scholar ] [ CrossRef ]
  10. کائو، ک. باتی، م. هوانگ، بی. لیو، ی. یو، ال. چن، جی. بهینه‌سازی کاربری زمین چندهدفه فضایی: گسترش به الگوریتم ژنتیک مرتب‌سازی غیرمسلط-II. اینتر جی. جئوگر. Inf. علمی 2011 ، 25 ، 1949-1969. [ Google Scholar ] [ CrossRef ]
  11. کائو، ک. بهینه سازی فضایی برای برنامه ریزی کاربری پایدار زمین. در سیستم های جامع اطلاعات جغرافیایی ; الزویر: آمستردام، هلند، 2017; ص 244-252. [ Google Scholar ]
  12. کائو، ک. Ye, X. الگوریتم ژنتیک موازی درشت دانه اعمال شده برای مسئله بهینه‌سازی تخصیص کاربری زمین مبتنی بر برداری: مطالعه موردی Tongzhou Newtown، پکن، چین. استوک. محیط زیست Res. ارزیابی ریسک 2013 ، 27 ، 1133-1142. [ Google Scholar ] [ CrossRef ]
  13. شیائو، ن. موری، AT بهینه سازی فضایی برای مسائل اکتساب زمین: بررسی مدل ها، روش های راه حل، و پشتیبانی GIS. ترانس. GIS 2019 ، 23 ، 645-671. [ Google Scholar ] [ CrossRef ]
  14. یائو، جی. موری، AT; وانگ، جی. ژانگ، X. ارزیابی و توسعه طرح‌های کاربری پایدار شهری از طریق بهینه‌سازی فضایی. ترانس. GIS 2019 ، 23 ، 705-725. [ Google Scholar ] [ CrossRef ]
  15. Balsas، CJL اندازه‌گیری زیست‌پذیری یک مرکز شهری: مطالعه اکتشافی شاخص‌های عملکرد کلیدی. طرح. تمرین کنید. Res. 2004 ، 19 ، 101-110. [ Google Scholar ] [ CrossRef ]
  16. مولین، جی. کوتوال، ز. اندازه‌گیری اثربخشی استراتژی‌های احیای مرکز شهر. گاو نر NYCOM 2003 ، 23 . در دسترس آنلاین: https://scholarworks.umass.edu/larp_faculty_pubs/23 (در 30 دسامبر 2019 قابل دسترسی است).
  17. لینچ، ک . نظریه شکل شهر خوب . مطبوعات MIT: کمبریج، بریتانیا، 1981. [ Google Scholar ]
  18. آنتوگنلی، اس. Vizzari، M. ارزیابی فضایی زیست‌پذیری چشم‌انداز، ادغام اکوسیستم و خدمات شهری با اهمیت درک شده توسط ذینفعان. Ecol. اندیک. 2017 ، 72 ، 703-725. [ Google Scholar ] [ CrossRef ]
  19. بورکهارد، بی. کرول، اف. ندکوف، اس. مولر، اف. نقشه برداری عرضه، تقاضا و بودجه خدمات اکوسیستم. Ecol. اندیک. 2012 ، 21 ، 17-29. [ Google Scholar ] [ CrossRef ]
  20. تالون، آر. بروملی، RDF بررسی جاذبه‌های زندگی در مرکز شهر: شواهد و پیامدهای سیاست در شهرهای بریتانیا. Geoforum 2004 , 35 , 771-787. [ Google Scholar ] [ CrossRef ]
  21. وانگ، جی. سو، م. چن، بی. چن، اس. لیانگ، سی. مطالعه تطبیقی ​​پکن و سه شهر جهانی: دیدگاهی در مورد زیست پذیری شهری. فرون علوم زمین 2011 ، 25 ، 323-327. [ Google Scholar ] [ CrossRef ]
  22. هیگز، سی. بدلند، اچ. سیمونز، ک. Knibbs، LD; Giles-Corti، B. شاخص زیست‌پذیری شهری: توسعه یک معیار ترکیبی زیست‌پذیری شهری مرتبط با سیاست و ارزیابی ارتباط با انتخاب حالت حمل‌ونقل. اینتر J. Health Geogr. 2019 ، 18 ، 1-25. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  23. لیتمن، تی. توسعه شاخص ها برای برنامه ریزی جامع و پایدار حمل و نقل. ترانس. Res. ضبط J. Trans. Res. هیئت 2007 ، 2017 ، 10–15. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  24. میلر، اچ جی; Witlox، F. توسعه شاخص های زیست پذیری حساس به زمینه برای برنامه ریزی حمل و نقل: یک چارچوب اندازه گیری. J. Trans. Geogr. 2013 ، 26 ، 51-64. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  25. La Rocca، تحرک نرم RA و تحول شهری. TeMA J. استفاده از زمین موبایل. محیط زیست 2009 ، 3 ، 85-90. [ Google Scholar ] [ CrossRef ]
  26. عبداللهی، س. پرادان، بی. جبور، ارزیابی فشردگی شهر پایدار مبتنی بر MN GIS با استفاده از ادغام MCDM، قضیه بیز و فناوری رادار. ژئوکارتو اینتر. 2015 ، 30 ، 365-387. [ Google Scholar ] [ CrossRef ]
  27. بخش، DP; موری، AT; Phinn, SR ادغام بهینه سازی فضایی و اتوماتای ​​سلولی برای ارزیابی تغییرات شهری. ان Reg. علمی 2003 ، 37 ، 131-148. [ Google Scholar ] [ CrossRef ]
  28. لیگمان-زیلینسکا، آ. کلیسا، RL; Jankowski، P. بهینه سازی فضایی به عنوان یک تکنیک مولد برای تخصیص کاربری چند هدفه پایدار. اینتر جی. جئوگر. Inf. علمی 2008 ، 22 ، 601-622. [ Google Scholar ] [ CrossRef ]
  29. طالعی، م. شریفی، م. اسلیوزاس، RV; مسگری، کارشناسی ارشد ارزیابی سازگاری کاربری‌های شهری چند منظوره و فشرده. اینتر J. Appl. زمین Obs. Geoinf. (JAC) 2007 ، 9 ، 375-391. [ Google Scholar ] [ CrossRef ]
  30. ژانگ، اچ. زنگ، ی. Bian, L. شبیه سازی تخصیص بهینه سازی فضایی چندهدفه کاربری زمین بر اساس ادغام سیستم چند عاملی و الگوریتم ژنتیک. اینتر جی. محیط زیست. Res. بهداشت عمومی 2010 ، 4 ، 765-776. [ Google Scholar ]
  31. هاک، ا. آسامی، ی. بهینه سازی تخصیص کاربری اراضی شهری برای برنامه ریزان و توسعه دهندگان املاک و مستغلات. محاسبه کنید. محیط زیست سیستم شهری 2014 ، 46 ، 57-69. [ Google Scholar ] [ CrossRef ]
  32. Aerts، JCJH; آیزینگر، ای. Heuvelink، GBM؛ استوارت، TJ با استفاده از برنامه نویسی عدد صحیح خطی برای تخصیص کاربری زمین در چند سایت. Geogr. مقعدی 2003 ، 35 ، 148-169. [ Google Scholar ] [ CrossRef ]
  33. پارتو، وی. صفحه، AN ترجمه کتابچه راهنمای اقتصاد سیاسی. در کتابچه راهنمای اقتصاد سیاسی ; انتشارات دانشگاه آکسفورد: لندن، بریتانیا، 2014. [ Google Scholar ]
  34. بالینگ، RJ; تابر، JT; براون، ام آر. روز، ک. برنامه ریزی شهری چندهدفه با استفاده از الگوریتم ژنتیک. ج. طرح شهری. توسعه دهنده 1999 ، 125 ، 86-99. [ Google Scholar ] [ CrossRef ]
  35. شیائو، ن. بنت، دی. آرمسترانگ، MP استفاده از الگوریتم های تکاملی برای ایجاد جایگزین برای مشکلات جستجوی سایت چندهدفه. محیط زیست طرح. A 2002 , 34 , 639-656. [ Google Scholar ] [ CrossRef ][ نسخه سبز ]
  36. یانسن، آر. ون هروینن، م. استوارت، تی جی; پشتیبانی تصمیم چندهدفه Aerts، JC برای برنامه ریزی کاربری زمین. محیط زیست طرح. B طرح. دس 2008 ، 35 ، 740-756. [ Google Scholar ] [ CrossRef ]
  37. استوارت، تی جی; یانسن، آر. Van Herwijnen, M. رویکرد الگوریتم ژنتیک برای برنامه ریزی کاربری چند هدفه زمین. محاسبه کنید. اپراتور Res. 2004 ، 31 ، 2293-2313. [ Google Scholar ] [ CrossRef ]
  38. میکالوویچ، ز. Michalewicz, Z. الگوریتم های ژنتیک + ساختارهای داده = برنامه های تکامل ; Springer Science + Business Media: برلین، آلمان، 1996. [ Google Scholar ]
  39. بانک جهانی. سنگاپور-داده های بانک جهانی-گروه بانک جهانی. در دسترس آنلاین: https://data.worldbank.org/country/singapore (در 30 دسامبر 2019 قابل دسترسی است).
  40. NPTD. یک جمعیت پایدار برای یک سنگاپور پویا. در دسترس آنلاین: https://www.strategygroup.gov.sg/media-centre/population-white-paper-a-sustainable-population-for-a-dynamic-singapore (دسترسی در 30 دسامبر 2019).
Ijgi 09 00040 g001 550
شکل 1. موقعیت One North و Queensway در سنگاپور.
Ijgi 09 00040 g002 550
شکل 2. منطقه تحقیقاتی و منطقه حفاظت شده.
Ijgi 09 00040 g003 550
شکل 3. منحنی همگرایی آزمایش اول (محور x به تعداد تکرارها اشاره دارد و محور y به مقدار تناسب اشاره دارد).
Ijgi 09 00040 g004 550
شکل 4. منحنی همگرایی آزمایش اول (محور x به تعداد تکرارها اشاره دارد و محور y به مقدار تناسب اشاره دارد).

مقالات داخلی و بین المللی

مطالب مرتبط ...

بدون دیدگاه

دیدگاهتان را بنویسید